WWW / The Web Conference

Multi-Behavior Sequential Modeling with Transition-Aware Graph Attention Network for E-Commerce Recommendation

多行为序列建模与过渡感知图注意力网络用于电子商务推荐

Hanqi Jin, Gaoming Yang, Zhangming Chan, Yapeng Yuan, Longbin Li, Fei Sun, Yeqiu Yang, Jian Wu, Yuning Jiang, Bo Zheng

机构 * Taobao \& Tmall Group of Alibaba Beijing China ； University of Chinese Academy of Sciences Beijing China ； Taobao \& Tmall Group of Alibaba ； University of Chinese Academy of Sciences 纠错

AI总结 TGA通过构建结构化稀疏图和过渡感知图注意力机制，实现多行为序列建模，提升电子商务推荐的准确性和效率。

Comments Accepted by WWW2026 short paper

On the Effectiveness of Mempool-based Transaction Auditing

关于基于记忆池的交易审计效果分析

Jannik Albrecht, Ghassan Karame

AI总结 本文分析了基于记忆池的交易审计在检测审查和交易位移攻击中的有效性，发现其可能产生超过25%的误判率，但能以99.9%的概率正确审计连续接收的交易。

Comments Accepted at TheWebConf'26 (WWW'26)

Fine-Grained Traceability for Transparent ML Pipelines

细粒度透明机器学习流水线追溯

Liping Chen, Mujie Liu, Haytham Fayek

机构 * RMIT University（皇家墨尔本理工大学） ； Federation University Australia（联邦大学澳大利亚） 纠错

AI总结 FG-Trac是一个模型无关的框架，通过可验证的细粒度样本追溯提升机器学习流水线的透明度和可审计性。

Comments Accepted at The Web Conference (WWW) 2026

DARA: Few-shot Budget Allocation in Online Advertising via In-Context Decision Making with RL-Finetuned LLMs

DARA: 通过基于上下文的决策制定实现在线广告中的少样本预算分配

Mingxuan Song, Yusen Huo, Bohan Zhou, Shenglin Yin, Zhen Xiao, Jieyi Long, Zhilin Zhang, Chuan Yu

机构 * Peking University（北京大学） ； School of Computer Science（计算机科学学院） ； Alibaba Group（阿里巴巴集团） ； Theta Labs, Inc.（Theta Labs公司） 纠错

AI总结 DARA通过结合LLMs的上下文学习与细粒度优化，实现在线广告中的少样本预算分配，提升广告商价值。

Comments Accepted at The ACM Web Conference (WWW) 2026

Re-understanding Graph Unlearning through Memorization

重新理解通过记忆的图去学习

Pengfei Ding, Yan Wang, Guanfeng Liu

机构 * Macquarie University（麦考瑞大学） 纠错

AI总结 本文提出MGU框架，通过建立GNN记忆视角，解决图去学习中的难度评估、适应性策略和评估协议问题，提升去学习效果。

Comments This paper has been accepted by WWW-2026

Beyond Denial-of-Service: The Puppeteer's Attack for Fine-Grained Control in Ranking-Based Federated Learning

超越拒绝服务：用于基于排名的联邦学习中细粒度控制的Puppeteer攻击

Zhihao Chen, Zirui Gong, Jianting Ning, Yanjun Zhang, Leo Yu Zhang

机构 * Fujian Normal University（福建师范大学） ； Griffith University（格里菲斯大学） 纠错

AI总结 本文提出了一种针对基于排名的联邦学习的细粒度控制攻击，通过精确降级竞争对手准确性并避免检测，展示了对高级中毒攻击的防御需求。

Comments 12 pages. To appear in The Web Conference 2026

Maximum Edge-based Quasi-Clique: Novel Iterative Frameworks

基于边的准团最大值：新颖的迭代框架

Hongbo Xia, Shengxin Liu, Zhaoquan Gu

AI总结 本文提出了一种新颖的迭代框架，用于高效提取复杂网络中的最大边基准团，通过重新表述问题并改进算法效率，在大规模图上表现出显著优势。

Comments Appears in the ACM Web Conference (WWW), 2026

DRGW: Learning Disentangled Representations for Robust Graph Watermarking

DRGW: 为鲁棒图水印的解耦表示学习

Jiasen Li, Yanwei Liu, Zhuoyi Shang, Xiaoyan Gu, Weiping Wang

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院） ； State Key Laboratory of Cyberspace Security Defense（网络空间安全防御国家重点实验室） 纠错

AI总结 DRGW通过解耦表示学习提出首个图水印框架，解决水印透明性和鲁棒性问题，采用对抗训练编码器、可逆神经网络和结构感知编辑器实现高效水印嵌入与提取。

Comments Published at The Web Conference 2026 (WWW '26)

Hidden-in-Plain-Text: A Benchmark for Social-Web Indirect Prompt Injection in RAG

隐于 plain-text：一种用于 RAG 中社会网络间接提示注入的基准测试

Haoze Guo, Ziqi Wei

AI总结 OpenRAG-Soc 提供了一种用于评估 RAG 系统在社会网络间接提示注入攻击下的基准测试工具，通过标准化的端到端评估和可部署的缓解措施，帮助从业者跟踪风险并增强部署安全性。

Comments WWW 2026

RMBRec: Robust Multi-Behavior Recommendation towards Target Behaviors

RMBRec: 面向目标行为的鲁棒多行为推荐

Miaomiao Cai, Zhijie Zhang, Junfeng Fang, Zhiyong Cheng, Xiang Wang, Meng Wang

机构 * National University of Singapore（新加坡国立大学） ； Hefei University of Technology（合肥工业大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 RMBRec通过信息论鲁棒性原则，结合表示鲁棒性模块和优化鲁棒性模块，提升多行为推荐的鲁棒性和稳定性。

Journal ref WWW2026

Reading Between the Lines: Towards Reliable Black-box LLM Fingerprinting via Zeroth-order Gradient Estimation

在行之间阅读：通过零阶梯度估计实现可靠的黑盒LLM指纹识别

Shuo Shao, Yiming Li, Hongwei Yao, Yifei Chen, Yuchen Yang, Zhan Qin

机构 * Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学） ； City University of Hong Kong（香港城市大学） 纠错

AI总结 本文提出ZeroPrint方法，通过零阶梯度估计在黑盒环境下实现更可靠的LLM指纹识别，有效提升指纹识别的准确性和鲁棒性。

Comments This paper is accepeted by the ACM Web Conference (WWW) 2026

ThinkRec: Thinking-based recommendation via LLM

ThinkRec: 基于思考的推荐方法

Qihang Yu, Kairui Fu, Zheqi Lv, Shengyu Zhang, Xinhui Wu, Chen Lin, Feng Wei, Bo Zheng, Fei Wu

机构 * Zhejiang University（浙江大学） ； Shanghai AI Laboratory（上海人工智能实验室） 纠错

AI总结 ThinkRec通过引入思考激活机制和实例级专家融合机制，提升推荐系统的准确性和可解释性。

Comments Published on WWW'26: In Proceedings of the ACM Web Conference 2026

Opinion Dynamics with Multiple Adversaries

带有多个对抗者的意见动态

Akhil Jalan, Marios Papachristou

AI总结 该研究提出了一种模型，允许社交网络中任意用户子集进行战略操纵，分析了战略行为者的纳什均衡，并通过实验展示了其对极化和分歧的影响，同时提供了检测和学习战略行为者的高效算法。

Comments Accepted as a full paper at ACM WWW 2026

Adaptive Task Balancing for Visual Instruction Tuning via Inter-Task Contribution and Intra-Task Difficulty

面向视觉指令微调的自适应任务平衡：通过跨任务贡献和内在任务难度

Yanqi Dai, Yong Wang, Zebin You, Dong Jing, Xiangxiang Chu, Zhiwu Lu

机构 * Renmin University of China（中国人民大学） ； AMAP, Alibaba Group（阿里妈妈集团） 纠错

AI总结 本文提出VisATB方法，通过跨任务贡献和内在任务难度实现视觉指令微调的自适应任务平衡，提升整体性能并缓解不平衡问题。

Comments Accepted for the ACM Web Conference 2026 (WWW 2026)